用途：在 Linux x86_64 + NVIDIA GPU 主机上，通过公共 NGC 容器 nvcr.io/nvidia/nre/nre 与 nvcr.io/nvidia/nre/nre-tools，从 NCore V4 相机+LiDAR 片段训练 3DGUT/3DGRT 高斯重建，渲染新视角（本地或 gRPC），生成辅助数据，导出 PLY/深度/网格/ego-mask/tracks，打包 Asset Harvester 输出为 USDZ，并评估渲染指标。
主要能力：训练与验证重建；本地渲染（nre render）或经 sensorsim gRPC API 渲染新视角、LiDAR 扫描；导出 gaussian plys、mesh、ground-mesh、ego-mask、depth、sequence/ncore tracks 等；用 export-external-assets 插入/删除/替换 3D 角色并配合 render-grpc --edit-assets；升级旧 USDZ；检查与评估（export-parsed-config、gaussian-statistics、eval-rendering-metrics 等）；容器内查看 USDZ/PLY。
使用方式：先运行 scripts/validate_setup.py 校验 Docker、NVIDIA Container Toolkit、GPU/驱动与 NGC_API_KEY；用 docker login nvcr.io 拉取 nre:latest 与 nre-tools:latest。准备含 <NAME>.zarr.itar、<NAME>.json 及可选 aux 分片的 dataset_dir。按来源数据集选择 Hydra config：Waymo 用 configs/apps/AV/Waymo/3dgut_dynamic.yaml；PAI 用 /apps/prod/Hyperion-8.1/car2sim_6cam.yaml 及其 overlay；PandaSet/NV/Tesla/Alpasim 见 references/configuration.md。训练设 checkpoint.artifact.enabled=true 以便渲染；多 GPU 设 trainer.world_size 与 trainer.num_nodes。渲染可选本地 CLI、预热 serve-grpc + thin_client.py，或 serve-grpc + render-grpc（LiDAR、仿真循环、Difix、角色编辑必需）。长任务按 references/long-running-tasks.md 后台运行并每 5 分钟报状态。
适用场景：把多相机+LiDAR 自动驾驶片段训练为可渲染 USDZ；生成 NuRec 辅助数据；按训练或自定义 rig 渲染；经 gRPC 供 CARLA/Isaac Sim/AlpaSim 等使用；渲染 HuggingFace 门控数据集 nvidia/PhysicalAI-Autonomous-Vehicles-NuRec。
限制：仅 Linux x86_64，不支持 aarch64/Jetson；训练默认配方需 ≥48 GB 显存；多 GPU 默认保守，约 6 卡后质量趋于平台，且多 GPU 与 dataset.aux_data=false 为已知崩溃组合；train 与 val/export 的 --config-name 路径不同；异版本渲染 gRPC 可能拒绝旧产物；export-external-assets 仅接受 Asset Harvester 输出；Difix 变体可插拔（默认 cosmos_difix，旧版 sd_difix），新版 Fixer 属于 nurec-fixer 技能。原始传感器数据需先用 ncore 技能转换；稀疏视图逐物体提取用 asset-harvester；已渲染帧清理用 nurec-fixer。其余事实暂未提供。